ESTIMASI TINGKAT PRODUKTIVITAS PADI BERDASARKAN ALGORITMA NDVI, EVI DAN SAVI MENGGUNAKAN CITRA SENTINEL-2 MULTITEMPORAL (Studi Kasus: Kabupaten Pekalongan, Jawa Tengah)

Abstract

ABSTRAK

Beras merupakan salah satu sumber pangan pokok bagi kehidupan, khususnya bagi masyarakat Indonesia selain sagu, jagung dan singkong. Sebagai komoditas pertanian yang paling dominan, tingkat permintaan akan beras sebagai kebutuhan yang mendasar sangatlah tinggi. Estimasi mengenai produktivitas padi pun sangat diperlukan guna mengoptimalkan perencanaan penanaman yang tepat dan produksi padi yang maksimal untuk mendukung ketahanan pangan nasional. Indonesia mempunyai banyak daerah yang berfungsi menjadi penyangga pangan nasional, salah satunya adalah Kabupaten Pekalongan. Pengindraan jauh merupakan salah satu teknologi yang cocok untuk pengaplikasian estimasi produksi padi di wilayah Kabupaten Pekalongan. Keunggulan teknologi ini terkait dengan pemrosesan data dan informasi yang cepat, tepat dan akurat. Penelitian ini menggunakan citra Sentinel-2A berbasis open source untuk pengolahan estimasi produktivitas padi. Pada citra Sentinel-2A multitemporal diterapkan algoritma NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index) dan SAVI (Soil Adjusted Vegetation Index) untuk mengetahui tingkat persebaran indeks vegetasi di Kabupaten Pekalongan. Model persebaran nilai indeks vegetasi tersebut didasarkan pada analisis regresi untuk mendeskripsikan nilai produktivitas padi. Hasil pengolahan fase tumbuh padi menggunakan NDVI, EVI dan SAVI menunjunjukkan bahwa pola sebaran indeks vegetasi di Kabupaten Pekalongan bersifat heterogen. Hasil regresi linier berganda masing-masing variabel NDVI, EVI dan SAVI secara berturut-turut menghasilkan koefisien determinasi sebesar 0,332, 0,269, dan 0,283. Berdasarkan model regresi tersebut diperoleh RMSE estimasi produktivitas padi menggunakan transformasi NDVI, EVI dan SAVI terhadap data dinas secara berturut-turut 4,24 kw/ha, 4,54 kw/ha dan 4,47 kw/ha. Sehingga dapat diketahui bahwa dari 3 model estimasi produktivitas padi yang telah diperoleh, hasil estimasi yang hampir mendekati nilai produktivitas yang dikeluarkan oleh DKPP adalah model dengan variabel NDVI dibandingkan dengan  variabel EVI dan SAVI.

Kata Kunci: Citra Sentinel-2A, EVI, NDVI, Produktivitas Padi, SAVI

ABSTRACT

Rice is one of the main sources of food for life, especially for the Indonesian in addition to sago, corn and cassava. As the most dominant agricultural commodity, the level of demand for rice as a basic needed is very high. So the estimation of rice productivity is also very necessary to optimize the proper planting planning and maximum rice production to support national food security. Indonesia has many regions that become national food buffer, one of them is Pekalongan District. Remote sensing is one of the technologies suitable for the application of estimated rice production in the Pekalongan District. These technological advantages are associated with fast, precise and accurate data and information processing. This study uses the Sentinel-2A image based on open source for processing rice productivity estimates. In the multitemporal Sentinel-2A images, NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index) and SAVI (Soil Adjusted Vegetation Index) algorithms are applied to determine cropping pattern in Pekalongan District. The vegetation index value distribution model is based on a regression analysis to describe the value of rice productivity. The results of processing the rice-growing phase using NDVI, EVI and SAVI show that the pattern of vegetation index distribution in Pekalongan District is heterogeneous. The results of multiple linear regression of each NDVI, EVI and SAVI variables produce a coefficient of determination, respectively 0,332, 0,269, and 0,283. Based on the regression model, it is obtained that RMSE estimates rice productivity using NDVI, EVI and SAVI transformations to DKPP data, respectively 4,24 kw/ha, 4,54 kw/ha and 4,47 kw/ha. So it can be seen that from the 3 rice productivity estimation models that have been obtained, the estimation results that are almost close to the DKPP yield data is model with NDVI variables compared with EVI and SAVI variables.